Nghiên cứu so sánh các phương pháp dự báo năng lượng gió

ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL. 20, NO. 5, 2022

43

NGHIÊN CỨU SO SÁNH CÁC PHƯƠNG PHÁP DỰ BÁO NĂNG LƯỢNG GIÓ
A COMPARATIVE STUDY OF WIND POWER FORECASTING METHODS
Nguyễn Văn Ninh, Nguyễn Hữu Định, Lê Tuấn Hộ*
Trường Đại học Quy Nhơn1
*Tác giả liên hệ:
(Nhận bài: 21/02/2022; Chấp nhận đăng: 19/5/2022)
Tóm tắt - Nâng cao độ chính xác của các phương pháp dự báo
năng lượng gió được xem là giải pháp chính để giải quyết vấn
đề vận hành khi tích hợp chúng vào hệ thống điện. Do đó, mục
tiêu của bài báo là nghiên cứu so sánh các phương pháp đã có
với các phương pháp kết hợp đề xuất dùng cho dự báo năng
lượng gió. Trước tiên, mơ hình ARIMA và phương pháp làm
mịn lũy thừa (EXP) được sử dụng để dự báo năng lượng gió
dạng chuỗi thời gian. Thứ hai, mơ hình mạng nơ ron được huấn
luyện để dự đốn cơng suất gió phát ra. Hai phương pháp dự
báo năng lượng gió kết hợp (mơ hình ARIMA + mạng nơ ron,
phương pháp EXP + mạng nơ ron) được đề xuất dựa trên
phương pháp phương sai-hiệp phương sai. Cuối cùng, ba trường
hợp nghiên cứu các nơng trại gió của Bỉ được sử dụng để minh
họa hiệu quả của các phương pháp dự báo. Bài báo đã tìm ra
phương pháp dự báo tốt nhất trong các trường hợp nghiên cứu
theo các tiêu chí MAE, WAPE và RMSE.

Abstract - As the integration of wind power energy resources into
power system, the enhancement of the accuracy of wind power
forecasting methods can be considered one of the key solutions for
solving the operational issues. Therefore, the primary objective of this

paper is to make a comparison between the existing methods and the
proposed combined ones for the wind power generation forecasting.
Firstly, two traditional statistical methods consisting of the ARIMA
model and exponential smoothing method (EXP) are used to make the
time series forecasting of wind power. Secondly, a neural network model
is trained to predict wind power generation. Then, two combined wind
power forecasting methods (i.e., the ARIMA model and the neural
network, and the EXP and the neural network) are proposed based on
the variance-covariance method. Finally, the three case studies from
Belgium wind farms are performed to demonstrate the efficiency of the
proposed methods. Three evaluation criteria including MAE, WAPE,
and RMSE are used to identify the optimal wind power forecasting
method in these case studies.

Từ khóa - Dự báo năng lượng gió; Mơ hình Tự hồi quy tích hợp
trung bình trượt (ARIMA); Phương pháp làm mịn lũy thừa
(EXP); Mạng nơ ron; Phương pháp phương sai – hiệp phương sai.

Key words - Wind power forecasting; Autoregressive integrated
moving average (ARIMA) model; Exponential smoothing
method (EXP); Neural network; Variance-covariance method.

1. Đặt vấn đề
Các nguồn nhiên liệu hóa thạch có nhược điểm lớn là
gây ô nhiễm môi trường cũng như đang bị cạn kiệt nhanh
chóng. Chính những điều này đã thúc đẩy cho việc tìm
kiếm và sử dụng các nguồn nhiên liệu sạch và thân thiện
với môi trường hơn. Trong những thập kỷ vừa qua, các
nguồn năng lượng tái tạo trong đó có năng lượng gió đã,
đang và sẽ tiếp tục được đầu tư và sử dụng rộng rãi trong

các hệ thống điện vì được xem là khơng gây ơ nhiễm và
được xem là nguồn điện vô tận. Theo báo cáo thống kê năm
2021 của hội đồng năng lượng gió tồn cầu (GWEC) thì
trong năm 2020 đã có 93 GW điện gió đã được lắp đặt tồn
cầu nâng tổng cơng suất lắp đặt lên đến 743 GW, tăng 59%
so với năm 2020 [1]. Điều này cho thấy, điện gió đang được
đầu tư và lắp đặt nhiều trên toàn thế giới và sẽ còn tăng
theo từng năm. Tuy nhiên, bên cạnh các ưu điểm đã nêu thì
các nguồn năng lượng gió cũng gây nhiều thách thức cho
công tác vận hành hệ thống điện do bản chất gián đoạn của
các nguồn năng lượng gió vì chúng là các nguồn năng
lượng phụ thuộc vào khí hậu và thời tiết. Đặc biệt là q
trình tích hợp ngày càng nhiều của các nguồn năng lượng
gió vào hệ thống điện cũng được xem là một thách thức
không nhỏ cho cơng tác vận hành hệ thống. Do đó, việc dự
báo chính xác năng lượng gió được xem là một trong những
vấn đề then chốt trong công tác vận hành. Vì vậy, các
phương pháp và mơ hình dự báo năng lượng gió đã được
nghiên cứu và đề xuất trong nhiều cơng trình nghiên cứu.

Theo tiêu chí phân loại là thời gian, các phương pháp dự
báo điện gió được chia thành 4 loại cơ bản là dự báo rất ngắn
hạn, dự báo ngắn hạn, dự báo trung hạn và dự báo dài hạn
[2]. Về cơ bản, các dự báo này khác nhau do các khoảng thời
gian đo đạc các dữ liệu về năng lượng gió. Với các dạng dữ
liệu năng lượng gió dưới dạng chuỗi thời gian này, các
phương pháp dự báo đã được sử dụng bao gồm các phương
pháp thống kê truyền thống, các phương pháp sử dụng trí tuệ
nhân tạo và các phương pháp kết hợp. Các phương pháp
thống kê đã được sử dụng là mơ hình ARIMA trong [3 – 5]

và EXP trong [6 – 8]. Các phương pháp sử dụng trí tuệ nhân
tạo trong dự báo năng lượng gió như mạng nơ ron [9 – 13],
logic mờ [14 – 16] và máy học vec tơ [17 – 19]. Các phương
pháp kết hợp là kết hợp các phương pháp đã sử dụng ở trên
với nhau theo các tiêu chí và quy trình khác nhau, chẳng hạn
như trong [20 – 24]. Ngoài các phương pháp dự báo năng
lượng gió sử dụng chuỗi thời gian cơng suất phát ra của các
nhà máy điện gió thì một hướng nghiên cứu khác là sử dụng
các thông số đầu vào của nhà máy điện gió để dự báo cơng
suất phát ở đầu ra của các turbine hay của cả nhà máy điện
gió. Tài liệu [25] sử dụng các biến địa lý và khí quyển để dự
báo cơng suất phát ra hàng tháng của các nhà máy điện gió.
Các mơ hình tốn học dự báo thời tiết bằng số (numerical
weather prediction) được sử dụng để dự báo công suất phát
ra của các nhà máy điện gió trong [26]. Tài liệu [27] đã đề
xuất phương pháp đáp ứng bề mặt (response surface
methodology) như là một giải pháp mới trong dự báo công

1

Quy Nhon University (Nguyen Van Ninh, Nguyen Huu Dinh, Tuan-Ho Le)


Nguyễn Văn Ninh, Nguyễn Hữu Định, Lê Tuấn Hộ

44

suất phát ra của các turbine, trong đó các thơng số vận hành
được như tốc độ gió, vị trí nacelle, góc pitch và nhiệt độ môi
trường được xem như là đầu vào và công suất phát ra được

xem như là đầu ra của các turbine trong phương pháp này.
Với mục tiêu xem xét, so sánh các phương pháp dự báo
năng lượng gió sử dụng cho dữ liệu dạng chuỗi thời gian
của công suất phát ra với trường hợp nghiên cứu cụ thể là
cơng suất đầu ra của các nơng trại gió của Bỉ trong ba
khoảng thời gian khác nhau, đó là tồn bộ tháng 07/2021,
toàn bộ tháng 08/2021 và cả tháng 07 và tháng 08 năm
2021, trước tiên bài báo này đã ứng dụng các mơ hình thống
kê truyền thống thường được sử dụng trong dự báo đó là
mơ hình ARIMA và phương pháp làm mịn lũy thừa để dự
báo công suất phát ra trong ba trường hợp này. Tiếp theo
đó, trong các phương pháp trí tuệ nhân tạo, bài báo đề xuất
sử dụng mạng nơ ron để dự báo năng lượng gió phát ra. Để
có kết quả dự báo tốt nhất, bài báo đã sử dụng thuật toán
lan truyền ngược chuẩn tắc Bayes (Bayesian regularization
backpropagation – trainbr) để huấn luyện mạng nơ ron
trong trường hợp này. Các kết quả dự báo năng lượng gió
có được từ mạng nơ ron đã được huấn luyện lần lượt được
kết hợp với các kết quả dự báo năng lượng gió có được từ
mơ hình ARIMA và phương pháp làm mịn lũy thừa bằng
cách sử dụng phương pháp phương sai – hiệp phương sai.
Trong năm phương pháp dự báo đã sử dụng bao gồm mơ
hình ARIMA, phương pháp làm mịn lũy thừa, mạng nơ ron
đã được huấn luyện, phương pháp kết hợp gồm mơ hình
ARIMA – mạng nơ ron và phương pháp kết hợp gồm
phương pháp làm mịn lũy thừa – mạng nơ ron thì bài báo
đã chỉ ra rằng các phương pháp kết hợp theo phương pháp
phương sai – hiệp phương sai cho kết quả dự báo cơng suất
phát ra của các nơng trại gió tốt hơn so với từng phương
pháp đơn lẻ trong cả ba trường hợp nghiên cứu nơng trại

gió của Bỉ khi xét theo các tiêu chí đánh giá sai số dự báo
là MAE, WAPE và RMSE.
2. Các phương pháp dự báo
2.1. Mơ hình ARIMA
Mơ hình ARIMA được đề xuất bởi Box và Jenkins năm
1970 [28] dùng cho phân tích và dự báo các dữ liệu dưới
dạng chuỗi thời gian. Phương pháp dự báo dựa trên mơ hình
ARIMA được thực hiện dựa trên các bước sau: xác nhận mơ
hình thử nghiệm, ước lượng tham số, kiểm định bằng chẩn
đoán và ước lượng. Mơ hình ARIMA tổng qt dùng cho dự
báo dữ liệu dạng chuỗi thời gian được cho như sau:

yt = c + 1 yt −1 + ... +  p yt − p + 1 t −1 + ... + q t −q
Trong đó: c là hằng số; yt là giá trị ước lượng (hay
giá trị dự báo) của y tại thời điểm t ; yt −1 ,..., yt − p là các
giá trị của y tại thời điểm t − 1,..., t − p ;  t −1 ,...,  t −q là
các sai số có trễ tại thời điểm t − 1,..., t − p ; và i (i = 1, p)
và  j ( j = 1, q ) là các thơng số của mơ hình. Mơ hình
ARIMA cịn được gọi là mơ hình ARIMA (p, d, q) trong
đó các số ngun khơng âm p, q và q lần lượt là số thứ tự
(số lượng độ trễ thời gian) của mơ hình tự hồi quy, mức độ
của sự khác biệt (số lần dữ liệu đã bị trừ đi các giá trị trong
quá khứ) và thứ tự của mô hình trung bình trượt.

2.2. Phương pháp làm mịn lũy thừa
Phương pháp làm mịn lũy thừa được đề xuất bởi Brown
năm 1959 [29] cũng là một dòng các phương pháp thống
kê dùng để phân tích và dự báo dữ liệu dạng chuỗi thời
gian. Nguyên lý của phương pháp này là dự báo dựa trên
dữ liệu gần nhất cộng với phần trăm chênh lệch giữa số dự

đoán và số thực tế tại thời điểm dự báo. Dịng phương pháp
này gồm có nhiều phương pháp chính, tuy nhiên trong
phạm vi nghiên cứu của bài báo này sử dụng phương pháp
làm mịn lũy thừa giảm dần xu hướng (damped trend
exponential smoothing method) [30] như sau:
yt = lt −1 +  bt −1 +  t
lt = lt −1 + bt −1 + (1 −  )  t
bt = bt −1 + (1 −  )  t

Trong đó: {yt } là chuỗi quan sát, {lt } là mức của chuỗi,
{bt } là gradient của xu hướng tuyến tính của nó, và { t }
là sai số. Các thông số  ,  và  lần lượt là các hệ số
mức, xu hướng và giảm dần xu hướng.
2.3. Mạng nơ ron
Mạng nơ ron nhân tạo (hay mạng nơ ron) được sử dụng
rộng rãi trong nhiều lĩnh vực của khoa học và kỹ thuật.
Mạng nơ ron được xem như là “hộp đen” với các đầu vào
và đầu ra tương ứng của nó. Về cơ bản, một mạng nơ ron
có một lớp đầu vào, một lớp đầu ra và một lớp ẩn ở giữa.
Lớp ẩn ở giữa có thể có một hoặc nhiều lớp ẩn với nhiều
nút ẩn bên trong mỗi lớp. Cấu trúc tổng quát của một mạng
nơ ron nhân tạo có thể được mơ tả trong Hình 1.

Lớp
Lớp ẩn
ẩn

Lớp đầu vào: x

Lớp đầu ra: y

Hình 1. Cấu trúc cơ bản của mạng nơ ron

Phương trình tốn học biểu diễn mối quan hệ giữa đầu
vào và đầu ra của một mạng nơ ron được biểu thị dưới dạng


y= f





n

 w x 
i i

i =1

Trong bài tốn dự báo thì đầu ra y là giá trị dự báo của đầu
vào x là giá trị năng lượng gió đầu vào dưới dạng chuỗi
thời gian, f là hàm truyền và wi là trọng số kết nối của
các nơ ron.
Kết quả dự báo năng lượng gió của mạng nơ ron phụ
thuộc vào nhiều yếu tố như số lớp ẩn, số nơ ron trong các
lớp ẩn, epoch, hàm truyền, thuật toán học,… Các hàm truyền
sử dụng phổ biến trong mạng nơ ron là hyperbolic tangent
sigmoid transfer function (tansig), log-sigmoid transfer
function (logsig), linear transfer function (purelin),… Các

thuật toán huấn luyện sử dụng phổ biến trong mạng nơ ron
là levenberg-Marquardt backpropagation (trainlm), resilient


ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL. 20, NO. 5, 2022

backpropagation
(trainrp),
bayesian
regularization
backpropagation
(trainbr),
BFGS
quasi-Newton
backpropagation (trainbfg),…
2.4. Kết hợp các phương pháp dự báo dựa trên phương
pháp phương sai – hiệp phương sai
Để nâng cao độ chính xác của kết quả dự báo thì các
phương pháp dự báo thường được kết hợp lại với nhau theo
các phương pháp kết hợp khác nhau. Trong bài báo này, một
phương pháp kết hợp phổ biến trong thống kê là phương pháp
phương sai – hiệp phương sai được sử dụng để kết hợp hai kết
quả dự báo năng lượng gió. Biểu thức tổng quát của phương
pháp dự báo kết hợp dựa trên kết quả dự báo của hai phương
pháp dự báo khác nhau tại thời điểm t được cho như sau:

yt ,combined = w1 y1,t + w2 y 2,t
Trong đó, yt ,combined , y1,t và y 2,t lần lượt là giá trị dự báo
kết hợp, kết quả dự báo tại thời điểm t sử dụng phương
pháp thứ nhất và thứ hai. Các giá trị trọng số trong biểu

thức tính được theo phương pháp phương sai – hiệp
phương sai như sau:

3. Các trường hợp nghiên cứu
Trong bài báo này sử dụng các dữ liệu gió tổng hợp từ
các trang trại gió của Bỉ để làm trường hợp nghiên cứu [31].
Ba trường hợp nghiên cứu khác nhau là trường hợp 1 với
công suất phát ra từ các trang trại gió đo được từ ngày
01/07/2021 đến hết ngày 31/07/2021 (thời gian 31 ngày),
trường hợp 2 với công suất phát ra đo được từ ngày
01/08/2021 đến hết ngày 31/08/2021 (thời gian 31 ngày)
và trường hợp 3 với công suất phát ra đo được từ ngày
01/07/2021 đến hết ngày 31/08/2021 (thời gian 62 ngày).
Các trường hợp nghiên cứu 1 và 2 khác với trường hợp
nghiên cứu 3 ở khoảng thời gian nghiên cứu tương ứng với
sự chêch lệch nhiều về số điểm đo. Dữ liệu gió từ trang trại
này được đo trong mỗi mười lăm phút. Do đó, tổng số điểm
đo trong từng trường hợp nghiên cứu 1 và 2 là 2976 và tổng
số điểm đo trong trường hợp nghiên cứu 3 là 5952.
3.1. Trường hợp nghiên cứu 1: Công suất phát ra từ các
trang trại gió đo từ ngày 01/07/2021 đến hết ngày 31/07/2021
Cơng suất phát ra từ các trang trại gió của Bỉ trong
trường hợp nghiên cứu 1 được vẽ trên Hình 2.

e − e e
 e +  e − 2 e
e − e e
=
 e +  e − 2 e
2

2,t

w1 =

w2

45

1,t 2,t

2
1,t

2
2,t

1,t e2,t

2
1,t

1,t 2,t

2
1,t

2
2,t

1,t e2,t

Trong đó, e1,t và e2,t là các sai số riêng khi sử dụng phương
pháp thứ nhất và phương pháp thứ hai tại thời điểm t .
2.5. Các tiêu chí đánh giá
Trong lĩnh vực dự báo thì có rất nhiều tiêu chí để đánh
giá hiệu quả của các phương pháp và mơ hình dự báo. Tuy
nhiên, trong bài báo này các tiêu chí đánh giá cơ bản sau
được sử dụng để đánh giá hiệu quả của các phương pháp
và mơ hình dự báo:
2.5.1. Sai số tuyệt đối trung bình (MAE)

MAE =

1
n

n



et =

t =1

1
n

n

 y −y

t

t

t =1

Trong đó: n là số điểm dự báo.
2.5.2. Sai số phần trăm trung bình có trọng số (WAPE)
n

WAPE =

n



et



yt

t =1
n

 y −y
t

=

t

t =1

n

y

t

t =1

t =1

.
2.5.3. Căn bậc hai sai số bình phương trung bình (RMSE)

RMSE =

1
n

n

e

2
t

t =1

=

1
n

n

( y − y )
t

t =1

2

t

.
Trong các tiêu chí này thì các tiêu chí MAE, WAPE và
RMSE có giá trị càng nhỏ thì chứng tỏ phương pháp đã sử
dụng cho kết quả dự báo càng tốt.

Hình 2. Công suất phát ra trong trường hợp nghiên cứu 1

Để dự báo công suất phát ra trong trường hợp này, bài
báo sử dụng phần mềm SPSS với mơ hình ARIMA (1, 1,
1) và phương pháp làm mịn lũy thừa giảm dần xu hướng
với  = 1 ,  = 1 và  = 0,395 . Mạng nơ ron có một lớp ẩn
đã được huấn luyện để cho kết quả dự báo cơng suất phát
ra bằng cách lập trình trên MATLAB. Các thơng số của mơ

hình mạng nơ ron đã được huấn luyện như sau: Số nơ ron
trong lớp ẩn là 301, thuật toán huấn luyện là trainbr, hàm
truyền đã sử dụng là tansig, và số epoch thiết lập là 5000.
Dựa trên phương pháp phương sai – hiệp phương sai thì
mạng nơ ron đã huấn luyện lần lượt kết hợp với mơ hình
ARIMA và pháp làm mịn lũy thừa giảm dần xu hướng tạo
thành phương pháp ARIMA + NN và phương pháp EXP +
NN. Các trọng số trong các phương pháp kết hợp trong
nghiên cứu này được mô tả trong Bảng 1.
Bảng 1. Các giá trị trọng số trong trường hợp nghiên cứu 1
Phương pháp

w1

w2

ARIMA + NN

0,5111

0,4889

EXP + NN

0,5064

0,4936

Các kết quả dự báo khi sử dụng mơ hình ARIMA,
phương pháp làm mịn lũy thừa giảm dần xu hướng, mơ

hình mạng nơ ron đã được huấn luyện, phương pháp


Nguyễn Văn Ninh, Nguyễn Hữu Định, Lê Tuấn Hộ

46

ARIMA + NN và phương pháp EXP + NN với cơng suất
gió thực tế trong trường hợp này được cho trên Hình 3.

3.2. Trường hợp nghiên cứu 2: Công suất phát ra từ các
trang trại gió đo từ ngày 01/8/2021 đến hết ngày 31/8/2021
Cơng suất phát ra từ các trang trại gió của Bỉ trong
trường hợp nghiên cứu 2 được vẽ trên Hình 4.

Hình 3. Các kết quả dự báo với cơng suất phát ra trong
trường hợp nghiên cứu 1

Trong Hình 3, công suất đo được được minh họa bằng
đường nét liền. Các kết quả dự báo sử dụng mơ hình
ARIMA, phương pháp làm mịn lũy thừa giảm dần xu hướng,
mơ hình mạng nơ ron đã được huấn luyện, phương pháp
ARIMA + NN và phương pháp EXP + NN lần lượt được
biểu thị bằng đường nét đứt đánh dấu *, đường nét chấm
đánh dấu o, đường nét đứt – chấm đánh dấu +, đường nét đứt
đánh dấu x và đường nét chấm đánh dấu ngôi sao năm cánh.
Hầu hết các giá trị dự báo đều xấp xỉ với công suất đo được.
Điều này chứng tỏ hiệu quả của các phương pháp và mơ hình
dự báo được sử dụng trong trường hợp nghiên cứu này. Các
tiêu chuẩn đánh giá của mơ hình ARIMA, phương pháp làm

mịn lũy thừa giảm dần xu hướng, mô hình mạng nơ ron đã
được huấn luyện, phương pháp ARIMA + NN và phương
pháp EXP + NN được cho trong Bảng 2.
Bảng 2. Các tiêu chuẩn đánh giá hiệu quả của các mơ hình và
phương pháp dự báo trong trường hợp nghiên cứu 1
Mơ hình và
phương pháp
ARIMA
Làm mịn lũy thừa
Mạng nơ ron
ARIMA + NN
EXP + NN

MAE

WAPE %

RMSE

35,1413
35,0229
33,1170
32,4121
32,2626

3,9827
3,9693
3,7533
3,6734
3,6564

59,9999
60,2051
60,5009
54,3166
54,2626

Dựa trên các kết quả có được từ Bảng 2 có thể thấy,
phương pháp mạng nơ ron (với MAE = 33,1170,
WAPE = 3,7533 % và RMSE = 60,5009) cho kết quả tốt
hơn so với các phương pháp thống kê truyền thống đó là mơ
hình ARIMA (với MAE = 35,1413, WAPE = 3,9827 % và
RMSE = 59,9999) và phương pháp làm mịn lũy thừa giảm
dần xu hướng (với MAE = 35,0229, WAPE = 3,9693 % và
RMSE = 60,2051) nếu xét theo hai tiêu chí MAE và WAPE.
Hơn thế nữa, các phương pháp kết hợp dựa trên phương
pháp phương sai – hiệp phương sai bao gồm phương pháp
ARIMA + NN (với MAE = 32,4121, WAPE = 3,6734 %
và RMSE = 54,3166) và phương pháp EXP + NN (với
MAE = 32,2626, WAPE = 3,6564 % và RMSE = 54,2626)
có thể cho kết quả dự báo tốt hơn so với ba phương pháp
đơn lẻ trong trường hợp nghiên cứu 1. Rõ ràng, phương
pháp kết hợp EXP + NN cho kết quả dự báo năng lượng gió
tốt nhất khi xét theo các tiêu chuẩn MAE, WAPE và RMSE
trong trường hợp nghiên cứu 1.

Hình 4. Cơng suất phát ra trong trường hợp nghiên cứu 2

Để dự báo công suất phát ra trong trường hợp này, bài báo
sử dụng phần mềm SPSS với mơ hình ARIMA (1, 1, 1) và

phương pháp làm mịn lũy thừa giảm dần xu hướng với  = 1
,  = 1 và  = 0,300 . Mạng nơ ron có một lớp ẩn đã được
huấn luyện để cho kết quả dự báo công suất phát ra bằng cách
lập trình trên MATLAB. Các thơng số của mơ hình mạng nơ
ron đã được huấn luyện như sau: số nơ ron trong lớp ẩn là 341,
thuật toán huấn luyện là trainbr, hàm truyền đã sử dụng là
tansig, và số epoch thiết lập là 5000. Dựa trên phương pháp
phương sai – hiệp phương sai thì mạng nơ ron đã huấn luyện
lần lượt kết hợp với mơ hình ARIMA và pháp làm mịn lũy
thừa giảm dần xu hướng tạo thành phương pháp ARIMA +
NN và phương pháp EXP + NN. Các trọng số trong các
phương pháp kết hợp này được mô tả trong Bảng 3.
Bảng 3. Các giá trị trọng số trong trường hợp nghiên cứu 2
Phương pháp
ARIMA + NN
EXP + NN

w1

w2

0,4665
0,4449

0,5335
0,5551

Các kết quả dự báo khi sử dụng mơ hình ARIMA,
phương pháp làm mịn lũy thừa giảm dần xu hướng, mơ hình
mạng nơ ron đã được huấn luyện, phương pháp ARIMA +

NN và phương pháp EXP + NN với công suất đo được thực
tế từ các trang trại gió trong trường hợp nghiên cứu 2 được
cho trên Hình 5.

Hình 5. Các kết quả dự báo với công suất phát ra trong
trường hợp nghiên cứu 2


ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL. 20, NO. 5, 2022

47

Trong Hình 5, cơng suất đo được được minh họa bằng
đường nét liền. Các kết quả dự báo sử dụng mô hình
ARIMA, phương pháp làm mịn lũy thừa giảm dần xu hướng,
mơ hình mạng nơ ron đã được huấn luyện, phương pháp
ARIMA + NN và phương pháp EXP + NN lần lượt được
biểu thị bằng đường nét đứt đánh dấu *, đường nét chấm
đánh dấu o, đường nét đứt – chấm đánh dấu +, đường nét đứt
đánh dấu x và đường nét chấm đánh dấu ngôi sao năm cánh.
Hầu hết các giá trị dự báo đều xấp xỉ với công suất đo được.
Điều này chứng tỏ hiệu quả của các phương pháp và mơ hình
dự báo được sử dụng trong trường hợp nghiên cứu này. Các
tiêu chuẩn đánh giá của mô hình ARIMA, phương pháp làm
mịn lũy thừa giảm dần xu hướng, mơ hình mạng nơ ron đã
được huấn luyện, phương pháp ARIMA + NN và phương
pháp EXP + NN được cho trong Bảng 4.

Để dự báo công suất phát ra trong trường hợp này, bài
báo sử dụng phần mềm SPSS với mơ hình ARIMA (1, 1,

1) và phương pháp làm mịn lũy thừa giảm dần xu hướng
với  = 1 ,  = 1 và  = 0,301 . Mạng nơ ron có một lớp ẩn
đã được huấn luyện để cho kết quả dự báo công suất phát
ra bằng cách lập trình trên MATLAB. Các thơng số của mơ
hình mạng nơ ron đã được huấn luyện như sau: số nơ ron
trong lớp ẩn là 466, thuật toán huấn luyện là trainbr, hàm
truyền đã sử dụng là logsig, và số epoch thiết lập là 5000.
Dựa trên phương pháp phương sai – hiệp phương sai thì
mạng nơ ron đã huấn luyện lần lượt kết hợp với mơ hình
ARIMA và pháp làm mịn lũy thừa giảm dần xu hướng tạo
thành phương pháp ARIMA + NN và phương pháp EXP +
NN. Các trọng số trong các phương pháp kết hợp này được
mô tả trong Bảng 5.

Bảng 4. Các tiêu chuẩn đánh giá hiệu quả của các mơ hình và
phương pháp dự báo trong trường hợp nghiên cứu 2

Bảng 5. Các giá trị trọng số trong trường hợp nghiên cứu 3

Mơ hình và
phương pháp
ARIMA
Làm mịn lũy thừa
Mạng nơ ron
ARIMA + NN
EXP + NN

MAE

WAPE %

RMSE

41,6737
42,0171
38,6689
37,5977
37,8793

3,9418
3,9743
3,6576
3,5563
3,5829

65,8121
66,8275
64,0969
58,1728
58,8706

Dựa trên các kết quả có được từ Bảng 4 có thể thấy rằng
phương pháp mạng nơ ron (với MAE = 38,6689, WAPE =
3,6576 % và RMSE = 64,0969) cho kết quả tốt hơn so với
các phương pháp thống kê truyền thống đó là mơ hình
ARIMA (với MAE = 41,6737, WAPE = 3,9418 % và
RMSE = 65,8121) và phương pháp làm mịn lũy thừa giảm
dần xu hướng (với MAE = 42,0171, WAPE = 3,9743 % và
RMSE = 66,8275). Hơn thế nữa, các phương pháp kết hợp
dựa trên phương pháp phương sai – hiệp phương sai bao

gồm phương pháp ARIMA + NN (với MAE = 37,5977,
WAPE = 3,5563 % và RMSE = 58,1728) và phương pháp
EXP + NN (với MAE = 37,8793, WAPE = 3,5829 % và
RMSE = 58,8706) có thể cho kết quả dự báo tốt hơn so với
ba phương pháp trên trong trường hợp nghiên cứu 2. Rõ
ràng, phương pháp kết hợp ARIMA + NN cho kết quả dự
báo năng lượng gió tốt nhất khi xét theo các tiêu chuẩn
MAE, WAPE và RMSE trong trường hợp nghiên cứu 2.
3.3. Trường hợp nghiên cứu 3: Công suất phát ra từ các
trang trại gió đo từ ngày 01/7/2021 đến hết ngày 31/8/2021
Cơng suất phát ra từ của các trang trại gió của Bỉ trong
trường hợp nghiên cứu 3 được vẽ trên Hình 6.

Hình 6. Công suất phát ra trong trường hợp nghiên cứu 3

Phương pháp
ARIMA + NN
EXP + NN

w1

w2

0,6182
0,6102

0,3818
0,3898

Các kết quả dự báo khi sử dụng mơ hình ARIMA,

phương pháp làm mịn lũy thừa giảm dần xu hướng, mơ
hình mạng nơ ron đã được huấn luyện, phương pháp
ARIMA + NN và phương pháp EXP + NN với công suất
đo được thực tế từ các trang trại gió trong trường hợp
nghiên cứu 3 được cho trên Hình 7.

Hình 7. Các kết quả dự báo với công suất phát ra trong
trường hợp nghiên cứu 3

Trong Hình 7, cơng suất đo được được minh họa bằng
đường nét liền. Các kết quả dự báo sử dụng mô hình
ARIMA, phương pháp làm mịn lũy thừa giảm dần xu
hướng, mơ hình mạng nơ ron đã được huấn luyện, phương
pháp ARIMA + NN và phương pháp EXP + NN lần lượt
được biểu thị bằng đường nét đứt đánh dấu *, đường nét
chấm đánh dấu o, đường nét đứt – chấm đánh dấu +, đường
nét đứt đánh dấu x và đường nét chấm đánh dấu ngôi sao
năm cánh. Hầu hết các giá trị dự báo đều xấp xỉ với công
suất phát ra. Điều này chứng tỏ hiệu quả của các phương
pháp và mơ hình dự báo được sử dụng trong trường hợp
nghiên cứu này. Các tiêu chuẩn đánh giá của mô hình
ARIMA, phương pháp làm mịn lũy thừa giảm dần xu
hướng, mơ hình mạng nơ ron đã được huấn luyện, phương
pháp ARIMA + NN và phương pháp EXP + NN được cho
trong Bảng 6.
Dựa trên các kết quả có được từ Bảng 6 có thể thấy,
phương pháp mạng nơ ron (với MAE = 38,2573,


Nguyễn Văn Ninh, Nguyễn Hữu Định, Lê Tuấn Hộ

48

WAPE = 3,9450 % và RMSE = 68,9815) cho kết quả tốt
bằng hơn với các phương pháp thống kê truyền thống đó là
mơ hình ARIMA (với MAE = 38,5138, WAPE = 3,9715%
và RMSE = 63,0727) và phương pháp làm mịn lũy
thừa giảm dần xu hướng (với MAE = 38,7454, WAPE =
3,9954 % và RMSE = 63,6559 khi xét theo các chỉ tiêu
MAE và WAPE. Hơn thế nữa, các phương pháp kết hợp
dựa trên phương pháp phương sai - hiệp phương sai bao
gồm phương pháp ARIMA + NN (với MAE = 36,6470,
WAPE = 3,7790 % và RMSE = 59,1378) và phương pháp
EXP + NN (với MAE = 36,9243, WAPE = 3,8076 % và
RMSE = 59,7072) có thể cho kết quả dự báo tốt hơn so với
ba phương pháp trên trong trường hợp nghiên cứu 3.
Rõ ràng, phương pháp kết hợp ARIMA + NN cho kết quả
dự báo năng lượng gió tốt nhất khi xét theo các tiêu chuẩn
MAE, WAPE và RMSE trong trường hợp nghiên cứu 3.
Bảng 6. Các tiêu chuẩn đánh giá hiệu quả của các mơ hình và
phương pháp dự báo trong trường hợp nghiên cứu 3
Mơ hình và
phương pháp

MAE

WAPE %

RMSE

ARIMA

38,5138

3,9715

63,0727

Làm mịn lũy thừa

38,7454

3,9954

63,6559

Mạng nơ ron

38,2573

3,9450

68,9815

ARIMA + NN

36,6470

3,7790

59,1378

EXP + NN

36,9243

3,8076

59,7072

Như vậy, trong cả ba trường hợp nghiên cứu, cả hai
phương pháp kết hợp là phương pháp ARIMA + NN và
phương pháp EXP + NN đều cho kết quả dự báo tốt hơn so
với từng phương pháp hay mơ hình đơn lẻ trong dự báo
công suất phát ra của các nông trại gió.
4. Kết luận
Trong bài báo này, các phương pháp thống kê truyền
thống gồm mơ hình ARIMA và phương pháp làm mịn lũy
thừa giảm dần xu hướng đã được sử dụng để dự báo năng
lượng gió. Các phương pháp này có thể được ứng dụng
tương đối thuận lợi trong thực tế vì có thể thao tác dễ dàng
trên phần mềm thống kê SPSS. Trong các phương pháp
dự báo năng lượng gió sử dụng trí tuệ nhân tạo thì mạng
nơ ron thường được sử dụng. Để có được hiệu quả dự báo
năng lượng gió tốt nhất thì mạng nơ ron cần được huấn
luyện dựa trên các thuật tốn huấn luyện có sẵn trong
mạng nơ ron. Việc ứng dụng mạng nơ ron này vào dự báo
năng lượng gió trong một số trường hợp dự báo cho kết
quả dự báo tương đối tốt hơn so với các phương pháp
thống kê. Tuy nhiên, để có kết quả dự báo tốt thì việc huấn

luyện mạng nơ ron địi hỏi các thuật tốn huấn luyện phức
tạp và tốn nhiều thời gian huấn luyện. Trên cơ sở các kết
quả dự báo của các mơ hình và phương pháp trên, mạng
nơ ron sau khi huấn luyện lần lượt được kết hợp với mơ
hình ARIMA và phương pháp làm mịn lũy thừa giảm dần
xu hướng theo phương pháp phương sai – hiệp phương
sai để cho ra phương pháp kết hợp ARIMA + NN và
phương pháp kết hợp EXP + NN. Từ ba trường hợp
nghiên cứu với một trường hợp có các số lượng điểm quan
sát khác nhau tương đối nhiều so với hai trường hợp còn
lại của các trang trại gió của Bỉ đã cho thấy phương pháp
kết hợp ARIMA + NN và phương pháp kết hợp EXP +

NN cho kết quả dự báo năng lượng gió tốt hơn so với từng
phương pháp hoặc mơ hình đơn lẻ khi xét theo các tiêu
chí MAE, WAPE và RMSE.
Trong tương lai, bài báo có thể được tiếp tục mở rộng
khi xét đến phương pháp kết hợp khác ngoài phương pháp
phương sai – hiệp phương sai đã sử dụng trong bài. Đồng
thời các phương pháp đã sử dụng có thể được kết hợp để
áp dụng cho trường hợp các dữ liệu công suất phát ra của
các nơng trại gió đo được nhưng bị thiếu trong thực tế vì
các lỗi dụng cụ đo hoặc lỗi của con người gây nên.
TÀI LIỆU THAM KHẢO
[1] “Global Wind Report 2021”, accessed 18th September 2021.
[2] Tung D. D., Le T. H., “A statistical analysis of short-term wind
power forecasting error distribution”, International Journal of
Applied Engineering Research, vol. 12(10), 2017, pp. 2306-2311.
[3] Hodge B. M., Zeiler A., Brooks D., Blau G., Pekny J., Reklatis G.,
“Improved wind power forecasting with ARIMA models”,

Computer Aided Chemical Engineering. Vol. 29. Elsevier, 2011, pp.
1789-1793.
[4] Chen P., Pedersen T., Bak-Jensen B., Chen Z., “ARIMA-based time
series model of stochastic wind power generation”, IEEE
transactions on power systems, vol. 25(2), 2009, pp. 667-676.
[5] Kavasseri R. G., Seetharaman K., “Day-ahead wind speed
forecasting using f-ARIMA models”, Renewable Energy, vol. 34(5),
2009, pp. 1388-1393.
[6] Jónsson T., Pinson, P., Nielsen H. A., Madsen H., “Exponential
smoothing approaches for prediction in real-time electricity
markets”, Energies, vol. 7(6), 2014, pp. 3710-3732.
[7] Kusiak A., Zhang Z., “Short-horizon prediction of wind power: A
data-driven approach”, IEEE Transactions on Energy Conversion,
vol. 25(4), 2010, pp. 1112-1122.
[8] Zhu X., Genton M. G., "Short‐term wind speed forecasting for
power system operations”, International Statistical Review, vol.
80(1), 2012, pp. 2-23.
[9] Dumitru C. D., Gligor A., "Daily average wind energy forecasting
using artificial neural networks”, Procedia Engineering, vol. 181,
2017, pp. 829-836.
[10] Peiris A. T., Jayasinghe J., Rathnayake U., "Forecasting Wind
Power Generation Using Artificial Neural Network:“Pawan
Danawi”—A Case Study from Sri Lanka”, Journal of Electrical and
Computer Engineering, 2021.
[11] Liu Y., Zhang H., "An empirical study on machine learning models
for wind power predictions”, In 2016 15th IEEE International
Conference on Machine Learning and Applications (ICMLA),
December 2016, pp. 758-763.
[12] Ranganayaki V., Deepa S. N., "An intelligent ensemble neural
network model for wind speed prediction in renewable energy

systems”, The Scientific World Journal, 2016.
[13] Sapronova A., Meissner C., Mana M., "Short time ahead wind power
production forecast”, Journal of Physics: Conference Series, vol.
749(1), 2016, pp. 012006.
[14] Liu, F., Li, R., Li, Y., Cao, Y., Panasetsky, D., Sidorov, D., “Shortterm wind power forecasting based on TS fuzzy model”, In 2016
IEEE PES Asia-Pacific Power and Energy Engineering Conference
(APPEEC), October 2016, pp. 414-418.
[15] Akhtar I., Kirmani, S. Ahmad M., Ahmad S., “Average Monthly
Wind Power Forecasting Using Fuzzy Approach”, IEEE Access, vol.
9, 2021, pp. 30426-30440.
[16] Liu, F., Li, R., Li, Y., Cao, Y., Panasetsky, D., Sidorov, D., “Shortterm wind power forecasting based on TS fuzzy model”, In 2016
IEEE PES Asia-Pacific Power and Energy Engineering Conference
(APPEEC), 2016, pp. 414-418.
[17] Zeng J., Qiao W., "Support vector machine-based short-term wind
power forecasting”, In 2011 IEEE/PES Power Systems Conference
and Exposition, March 2011, pp. 1-8.


ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL. 20, NO. 5, 2022
[18] Wang J., Sun J., Zhang H., "Short-term wind power forecasting
based on support vector machine”, In 2013 5th International
Conference on Power Electronics Systems and Applications (PESA),
December 2013, pp. 1-5.
[19] Li L. L., Zhao X., Tseng M. L., Tan R. R., "Short-term wind power
forecasting based on support vector machine with improved
dragonfly algorithm”, Journal of Cleaner Production, vol. 242,
2020, pp. 118447.
[20] Yuan X., Tan Q., Lei X., Yuan Y., Wu X., "Wind power prediction
using hybrid autoregressive fractionally integrated moving average
and least square support vector machine”, Energy, vol. 129, 2017,

pp. 122-137.
[21] Lau A., McSharry P., "Approaches for multi-step density forecasts
with application to aggregated wind power”, The Annals of Applied
Statistics, vol. 4(3), 2010, pp. 1311-1341.
[22] Hwang M. Y., Jin C. H., Lee Y. K., Kim K. D., Shin J. H., Ryu K.
H., "Prediction of wind power generation and power ramp rate with
time series analysis”, In 2011 3rd International Conference on
Awareness Science and Technology (iCAST), September 2011, pp.
512-515.
[23] Reddy V., Verma S. M., Verma K., Kumar R., "Hybrid approach for
short term wind power forecasting”, In 2018 9th International
Conference on Computing, Communication and Networking
Technologies (ICCCNT), July 2018, pp. 1-5.
[24] Jiang Y., Xingying C. H. E. N., Kun Y. U., Yingchen L. I. A. O.,

[25]

[26]

[27]

[28]
[29]
[30]

[31]

49

"Short-term wind power forecasting using hybrid method based on

enhanced boosting algorithm”, Journal of Modern Power Systems
and Clean Energy, vol. 5(1), 2017, pp. 126-133.
Ulkat D., Günay M. E., “Prediction of mean monthly wind speed
and optimization of wind power by artificial neural networks using
geographical and atmospheric variables: case of Aegean Region of
Turkey”, Neural Computing and Applications, vol. 30 (10), 2018,
pp. 3037-3048.
Liu C., Zhang X., Mei S., Zhen Z., Jia M., Li Z., Tang H.,
"Numerical weather prediction enhanced wind power forecasting:
Rank ensemble and probabilistic fluctuation awareness”. Applied
Energy, vol. 313, 2022, 118769.
Le T. H., "A combined method for wind power generation
forecasting”, Archives of Electrical Engineering, vol. 70(4), 2021,
pp. 991-1009.
Box G. E. P., Jenkins G. M., Time Series Analysis: Forecasting and
Control, Halden-Day, San Francisco, 1970.
Brown R. G., Statistical forecasting for inventory control,
McGraw/Hill, 1959.
McKenzie, E., Gardner Jr, E. S., “Damped trend exponential
smoothing: a modelling viewpoint”, International Journal of
Forecasting, vol. 26(4), 2010, pp. 661-665.
“Wind power generation”, accessed 18th
September 2021.